[发明专利]一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法

说明书

本发明公开了一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法，结合深度卷积对抗生成网络对小批量试验数据进行扩增，以达到深度学习模型预测精度提升的效果。使用计算机技术对原始试验数据进行变量统计分析及数据集制作。本发明先对室内抗压强度试验获取的数据进行深度卷积对抗生成网络数据增强，学习试验数据之间的关键信息，使得试验数据样本物理特征相对更加明显，更易被机器捕捉特征，有助于提高模型的预测精度和泛化能力，减少过拟合。在此基础上，基于深度学习模型一维卷积神经网络(1DCNN)和二维卷积神经网络(VGG)对扩增后的实验数据集进行混凝土抗压强度预测。此外，本发明不仅可以节约人工和时间成本，还可以为后续的道路材料性能分析奠定基础。

技术领域

本发明属于道路材料性能分析领域，涉及一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法。本发明应用于利用水泥混凝土抗压强度试验获取的试验数据进行数据增强。

背景技术

水泥混凝土路面在农村公路等低等级道路应用广泛，其强度高且使用周期长，但是损坏后维修难度大。裂缝、坑槽等病害在一定程度上影响行车的安全性和舒适性，因此，混凝土抗压强度作为重要性能控制指标之一，能够快速、有效地获得混凝土抗压强度值，对于前期材料配合比设计具有重要的指导意义，从而最大程度上延长水泥路面的服役寿命。

目前大部分的混凝土抗压强度直接测定工作都需要大量的人工和时间成本，通过现场物理试验直接获取。与传统试验方法不同是，还提出了一些经验回归的方法来预测混凝土强度，这样的方法的确节省大量的时间，但是获取的混凝土抗压强度预测值与实际值偏差较大。受益于人工智能技术的发展，机器学习方法被逐渐应用于道路材料性能分析领域，能够快速高效地对获得的试验数据进行分析和预测，节约时间，降低成本，而且得到的结果较为精确。

目前基于室内试验的混凝土抗压强度直接测定方法经常面临获取的试验数据集小，以及混凝土试件制作的时间成本高等问题，数据增强技术不仅可以减少室内试验的工作量，还可以为深度学习模型带来可观的性能提升，提高准确性和稳定性，并减少过度拟合。

因此，本发明提出了一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法。本发明首先获取一份包含1030组的试验数据作为数据集，然后对该数据集的各个变量进行统计分析以探究其关系，从而去掉相关性较小的特征变量进行数据降维，最后基于深度卷积生成网络进行数据扩增到50208组，以扩充样本数量，为之后的混凝土抗压强度预测工作奠定基础。

发明内容

本发明的目的在于通过深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法，对混凝土抗压强度试验数据进行深度扩充，有效提升根据试验数据中影响因素预测抗压强度的精度。本试验数据包括水泥、高炉矿渣、粉煤灰、水、减水剂、粗集料、细集料、龄期和抗压强度。

一、深度卷积对抗生成网络

本发明采用的深度卷积对抗生成网络模型使用了卷积神经网络来替代对抗生成网络中的多层感知机，在原始的对抗生成网络模型的基础上进行以下改进：(1)以反卷积代替池化操作；(2)添加了批标准化的操作，以稳定学习训练过程；(3)除生成器的输出层使用Tanh激活函数之外其他层使用ReLU激活函数，判别器的所有层采用LeakyReLU激活函数。

本发明采用的对抗生成网络包括两部分结构，即生成器和判别器。两者组成互相博弈的双方，经过不断迭代更新，学习病害特征，使得生成器具有良好的生成试验数据的能力，判别器具有良好的鉴别数据真假能力，如图1所示。

本发明采用的技术方案为一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法，包括试验数据的变量统计分析、数据集制作、深度卷积对抗网络数据增强、基于深度学习模型的混凝土抗压强度预测四大部分，如图2所示，具体步骤如下：

步骤一：试验数据的变量统计分析；

首先，将数据集中每个变量进行相关性分析，根据皮尔逊相关性系数衡量特征之间的相关性。